Extrator de PDF para Texto

O Extrator de PDF para Texto transforma um PDF de volta em texto simples limpo e copiável — sem enviar nada. Abra um arquivo e a ferramenta lê a camada de texto armazenada atrás de cada página, reconstrói cada linha a partir da posição dos glifos e entrega um texto que você realmente pode reutilizar: páginas em duas colunas saem coluna por coluna em vez de intercaladas, os títulos corridos e os números de página que se repetem em todas as páginas são removidos, palavras divididas por um hífen no fim da linha são reunidas, e linhas quebradas manualmente são reorganizadas em parágrafos reais. Precisa do espaçamento original? Alterne para Manter layout para tabelas, faturas e recibos, ou para Ordem bruta para ver exatamente o que o arquivo armazena. Tudo acontece no seu navegador, então contratos, extratos, artigos e manuscritos nunca saem do seu dispositivo.

Como extrair texto de um PDF

1. Abra seu PDF. Arraste um ou mais arquivos para a área de soltura ou toque em Escolher arquivos PDF. Ele é lido no seu dispositivo e nunca é enviado. Com pressa? Toque em Experimentar uma página de amostra em duas colunas para ver a ferramenta funcionar na hora.
2. Escolha um estilo de extração. Fluxo inteligente reconstrói os parágrafos e a ordem de leitura, Manter layout reproduz o espaçamento da página e Ordem bruta mostra a extração intacta.
3. Limpe o resultado. Deixe Remover cabeçalhos e rodapés repetidos, Unir palavras hifenizadas e Detectar colunas ligados e digite um intervalo como 1-5, 12 em Páginas se precisar só de parte do documento.
4. Copie ou baixe. Leia a prévia e depois toque em Copiar todo o texto ou baixe o resultado como um arquivo .txt ou Markdown.

Qual estilo de extração você deve usar?

O que torna este Extrator de PDF para Texto diferente

Usos comuns

Citar um artigo de pesquisa sem redigitá-lo; levar o texto de um contrato ou locação para um documento para revisão; extrair os itens de uma fatura ou extrato; enviar um relatório a um tradutor, resumidor ou aplicativo de anotações; recuperar as palavras de um e-book ou manual para busca; preparar um corpus limpo para análise; ou simplesmente colocar um PDF longo em um formato que seu leitor de tela, editor ou celular consiga manejar com conforto.

Como a extração funciona

Quase todo PDF criado digitalmente armazena uma camada de texto invisível atrás da página visível: os mesmos caracteres que você pode selecionar em um leitor, cada um registrado com a posição exata em que é desenhado. Esta ferramenta lê essa camada e depois reconstrói a estrutura a partir da geometria. Caracteres que compartilham uma linha de base viram uma linha. O espaço horizontal que cada linha cobre é medido ao longo da página, e uma faixa vertical que nenhuma linha atravessa é tratada como o vão de um layout em várias colunas, o que define a ordem de leitura. Linhas que ocupam a largura inteira — títulos, legendas de figuras, filetes — dividem a página em regiões de coluna e permanecem onde estão. Por fim, o espaçamento típico entre linhas e a borda direita do corpo do texto dizem à ferramenta onde um parágrafo realmente termina, então as linhas só são unidas quando o texto de fato continua.

Como a porcentagem de cobertura de texto é calculada

O indicador Cobertura de texto é a proporção de páginas do seu PDF que contêm texto legível. A ferramenta conta as páginas que têm pelo menos uma linha de texto extraído, divide esse número pelo total de páginas e arredonda o resultado para uma porcentagem inteira. Um valor de 100% significa que todas as páginas tinham uma camada de texto; um valor menor significa que algumas páginas, geralmente digitalizações de imagens, não tinham texto para extrair. Ele mede quanto do documento era legível, não a precisão das palavras extraídas.

Quando a extração não funciona

Um documento digitalizado é uma fotografia de uma página. Ele não tem camada de texto, então não há nada para extrair, e qualquer ferramenta que afirme o contrário está adivinhando. Este extrator detecta esse caso e avisa, em vez de entregar um arquivo vazio; para obter texto de uma digitalização, você precisa primeiro de OCR (reconhecimento óptico de caracteres). PDFs criptografados também não podem ser abertos até que a proteção seja removida. E, como um PDF descreve instruções de desenho em vez de um esboço de documento, algumas coisas são inerentemente aproximadas: páginas com design pesado, barras laterais, notas de rodapé, notação matemática e texto desenhado como arte vetorial podem sair em uma ordem que você precisaria arrumar à mão. Alternar entre os três estilos costuma ser o jeito mais rápido de obter o ponto de partida mais limpo.